--- title: "Muse Glimmer 30B: hardware y benchmarks" canonical: https://wavect.io/es/blog/muse-glimmer-30b-local-agent-guide/ language: es description: "Muse Glimmer 30B: requisitos de hardware, benchmarks, licencia Apache 2.0 y un plan de piloto para agentes de IA locales." image: "https://wavect.io/img/blog/headers/header_muse-glimmer-30b-local-agent-guide.png" --- [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 13 min de lectura · 10 ago 2026 Última revisión 10 de agosto de 2026 [**Siguiente**](/es/blog/meta-muse-code-pricing-contributor-tier/) # Muse Glimmer 30B: ¿está listo el agente local de Meta para producción? Resumen Muse Glimmer es el modelo de pesos abiertos de 29.600 millones de parámetros de Meta Superintelligence Labs para flujos de agentes locales. Acepta texto e imágenes, declara un contexto de 131.072+ tokens, fue entrenado con datos de más de 100 idiomas y se publica bajo Apache 2.0 para uso comercial y de investigación. Meta destina una cuantización de 17 GB a equipos con 24 GB y una variante dinámica menos comprimida a 32 GB, dejando margen para el codificador visual, la caché KV y el borrador DFlash. En los resultados publicados por Meta, Glimmer supera a Gemma 4 31B y Qwen 3.6 27B en MCP-Atlas, DeepSearch QA y SWE-Bench Pro, pero queda por detrás de Qwen en Terminal-Bench 2.1, OSWorld-Verified y varias pruebas multimodales. Es un candidato serio para un piloto de agentes privados de un solo usuario, programación, documentos y evaluación de modelos, no un ganador automático para producción. Evalúalo con 20 a 30 tareas fijas y mide éxito por tarea aceptada, revisión, pico de memoria, latencia, errores de herramientas y resistencia a prompt injection en tu hardware y scaffold reales. **Muse Glimmer es un modelo de pesos abiertos con 29.600 millones de parámetros creado para agentes de IA locales.** Combina comprensión de texto e imágenes, uso de herramientas, contexto largo y recuperación ante fallos en un modelo que Meta dirige a hardware de consumo con 24 o 32 GB. Para una empresa, la oportunidad está en reunir licencia permisiva, benchmarks de agentes y despliegue en una sola estación de trabajo. Esta guía responde una pregunta de compra: **¿debería tu equipo probar Muse Glimmer para un agente local y privado?** Los precios de la API Muse Spark y el permiso para entrenar con prompts de clientes son otra decisión. La cubrimos en la [guía de precios de Meta Muse Code y Contributor](/es/blog/meta-muse-code-pricing-contributor-tier/). Separar hardware y derechos de datos evita competir por la misma intención de búsqueda. ## Muse Glimmer 30B de un vistazo Meta publicó Muse Glimmer el 10 de agosto de 2026. El [anuncio oficial de Muse Glimmer](https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model) lo presenta como un modelo destilado de Muse Spark para agentes siempre activos, programación local, llamadas a funciones y evaluación LLM-as-a-judge. Los pesos ya están disponibles. El anuncio situaba las integraciones optimizadas para varios runtimes en los días siguientes. | Factor | Dato publicado | Lectura de compra | | --- | --- | --- | | Modelo | Transformer denso de 29,6B con codificador de percepción de 1,8B | Todos los parámetros de lenguaje se usan por token, por lo que importa el ancho de banda de memoria | | Entrada y salida | Texto e imágenes de entrada, texto de salida | Útil para capturas y documentos, no para generar audio o vídeo nativo | | Contexto | 131.072+ tokens | Espacio amplio, pero la caché KV sigue consumiendo memoria | | Idiomas | Datos de más de 100 idiomas | La cobertura no demuestra igual calidad en todos los idiomas de negocio | | Corte de conocimiento | 4 de enero de 2026 | Los hechos actuales necesitan retrieval o herramientas aprobadas | | Licencia | Apache 2.0 | El uso comercial está previsto, con obligaciones al redistribuir | La [ficha oficial de Muse Glimmer](https://huggingface.co/meta-models/Muse-Glimmer-30B) es la fuente primaria para arquitectura, hardware, sampling, limitaciones y benchmarks. Usa esos valores como punto de partida de un piloto, no como sustituto de las pruebas en tu scaffold. ## ¿Qué hardware necesita Muse Glimmer 30B? La respuesta útil no es «menos de 20 GB». Esa cifra describe los pesos comprimidos del modelo de lenguaje. Un agente multimodal también necesita codificador visual, caché KV, runtime y, de forma opcional, el borrador DFlash. El contexto, los usuarios paralelos y las imágenes cambian el pico real. | Variante | Objetivo de Meta | Cambio de calidad publicado | Uso práctico | | --- | --- | --- | --- | | Precisión completa | 64 GB de VRAM | Referencia | Servidor de evaluación, fine-tuning o máxima fidelidad | | K-Quant-Dynamic | 32 GB de VRAM o memoria unificada | 0,2% de degradación media en 15 benchmarks | Mejor objetivo para un piloto local con margen | | K-Quant-17GB | 24 GB de VRAM o memoria unificada | 1,0% de degradación media | Piloto individual con contexto y concurrencia controlados | Meta informa de 74,9 tokens por segundo sin especulación y 233,4 con DFlash en una RTX 5090. En M4 Max, el resultado pasa de 23,7 a 37,8; en M5 Max, de 26,6 a 50,2. Estas mediciones con batch uno y greedy decoding muestran el valor del borrador, pero no predicen la velocidad con prompts largos, herramientas, imágenes o sesiones simultáneas. **Nuestra regla de compra:** trata 24 GB como el mínimo validado, no como una promesa de contexto máximo en cualquier equipo. Para un servicio de equipo, mide memoria pico con el mayor contexto permitido y la concurrencia prevista. Antes de comprar hardware, compara el coste total con nuestra [guía de punto de equilibrio entre modelos locales y APIs](/es/blog/local-models-vs-apis-break-even-eu-2026/). ## ¿Qué dicen los benchmarks de agentes? La tabla de lanzamiento es buena, pero no muestra un dominio total. La [metodología oficial de evaluación](https://research.meta.ai/static/muse-glimmer-methodology) compara Glimmer con razonamiento alto frente a los modos thinking de Gemma 4 31B y Qwen 3.6 27B. Meta usa el resultado propio más favorable, su reproducción o Artificial Analysis según el benchmark. También avisa de que sus herramientas y prompts de sistema pueden no estar ajustados a modelos de terceros. | Benchmark | Muse Glimmer 30B | Gemma 4 31B | Qwen 3.6 27B | Qué evalúa | | --- | --- | --- | --- | --- | | MCP-Atlas | **75,5** | 54,2 | 62,5 | Uso en varios turnos de más de 20 servidores MCP | | DeepSearch QA | **74,6** | 61,7 | 71,1 | Investigación web autónoma | | SWE-Bench Pro | **51,2** | 36,9 | 50,2 | Tareas difíciles en repositorios reales | | Terminal-Bench 2.1 | 51,7 | 43,4 | **60,7** | Trabajo de terminal y sistemas | | OSWorld-Verified | 65,9 | 58,5 | **75,6** | Control de interfaces gráficas | | OmniDocBench 1.5 | 75,8 | 72,5 | **77,8** | Procesamiento de documentos complejos | El patrón importa más que el titular. Glimmer destaca cuando el agente investiga, llama herramientas estructuradas y completa trabajo en repositorios. La ventaja de Qwen en Terminal-Bench y OSWorld indica que Glimmer no es automáticamente mejor operando un shell o escritorio. En SkillsBench, Glimmer obtiene 44,3 frente a 46,6 de Qwen. Debes probar las skills e instrucciones exactas de tu producto. ## ¿Puede usarse Muse Glimmer comercialmente? Meta incluye el uso comercial y de investigación entre los usos previstos y publica los artefactos bajo Apache 2.0. Los [términos de Apache License 2.0](https://www.apache.org/licenses/LICENSE-2.0) permiten usar, modificar y distribuir, pero exigen conservar la licencia, avisar de cambios y mantener atribuciones aplicables al redistribuir. No conceden derechos de marca. Esto es orientación operativa, no asesoramiento jurídico. Revisa con especialistas los artefactos y tu modelo de distribución. Los pesos abiertos no vuelven privado ni conforme a un sistema por sí solos. Un proceso local puede llamar herramientas web, correo, calendario, shell o MCP que envíen datos fuera. La ficha también indica que el entrenamiento incluyó fuentes públicas, datos de terceros e información de productos y servicios de Meta. Sigues necesitando clasificación de datos, allowlists, reglas de logs, confirmación humana para acciones irreversibles y pruebas de seguridad propias. ## ¿Dónde encaja Muse Glimmer en un producto? | Escenario | Encaje | Motivo | | --- | --- | --- | | Agente privado de investigación para una persona | Piloto fuerte | Ejecución local, contexto largo y herramientas coinciden con su objetivo | | Asistente local de programación | Piloto fuerte | SWE-Bench Pro es competitivo, pero deciden tus pruebas de aceptación | | Agente de capturas y documentos | Piloto prometedor | La imagen nativa ayuda, aunque Qwen lidera varias pruebas publicadas | | Endpoint de equipo con alta concurrencia | Estudio de capacidad | Un resultado con batch uno no demuestra throughput multiusuario | | Acciones autónomas irreversibles | Solo con controles fuertes | La tabla de seguridad de Meta muestra ataques de prompt injection exitosos | | Asistente de actualidad sin retrieval | Mal encaje | El corte de conocimiento es enero de 2026 | Para elegir entre familias, consulta nuestra [comparación de compra de LLMs de pesos abiertos](/es/blog/open-weight-llm-comparison-2026/). Si el modelo editará código o manejará herramientas con credenciales reales, aplica la [checklist de evaluación y sandbox de agentes](/es/blog/ai-agent-eval-sandbox-security-checklist/) antes de conceder permisos. ## Un piloto de producción que permita decidir 1. **Elige entre 20 y 30 tareas representativas.** Incluye trabajo normal, contexto largo, imágenes, fallos de herramientas, ambigüedad y rechazos. 2. **Congela el entorno.** Registra artefacto, cuantización, commit del runtime, límite de contexto, razonamiento, prompt, herramientas y hardware. 3. **Mide resultados aceptados.** Sigue éxito al primer intento, éxito total, minutos de revisión, regresiones y correcciones de herramientas. 4. **Mide el límite real.** Captura carga, pico de RAM o VRAM, latencia de prefill, velocidad de salida y degradación con concurrencia. 5. **Ataca el scaffold.** Prueba prompt injection indirecta, documentos maliciosos, permisos excesivos y acciones irreversibles. 6. **Compara una base equivalente.** Usa la misma tarea, herramientas y aceptación con un modelo alojado y otro de pesos abiertos. 7. **Calcula el coste por tarea aceptada.** Incluye hardware, electricidad, ingeniería, monitorización, revisión y fallos. Aprobar significa más que «el modelo arranca». La cuantización debe caber con margen, la tasa de éxito debe cumplir el umbral de producto, la revisión debe ser económica y el sistema debe fallar de forma segura. Si una condición falla, Glimmer sigue en investigación o cambia de carga. ## Preguntas frecuentes ### ¿Qué es Muse Glimmer 30B? Muse Glimmer es el modelo denso de Meta con 29.600 millones de parámetros para agentes locales. Acepta texto e imágenes, produce texto, usa herramientas y contexto largo y fue destilado de Muse Spark. ### ¿Cuánta memoria necesita Muse Glimmer? Meta dirige K-Quant-17GB a hardware con 24 GB, K-Quant-Dynamic a 32 GB y precisión completa a 64 GB de VRAM. El pico depende del contexto, caché KV, codificador visual, borrador, runtime y concurrencia. ### ¿Puede Muse Glimmer ejecutarse en un Mac? Sí. Meta publica medidas en M4 Max y M5 Max y dirige las variantes cuantizadas a 24 o 32 GB. Prueba tu memoria y runtime exactos antes de comprar. ### ¿Muse Glimmer es open source? Meta llama open source al lanzamiento y publica los pesos bajo Apache 2.0. Pesos abiertos es una descripción más precisa del artefacto porque no se publican todo el código de entrenamiento y el dataset. ### ¿Puede una empresa usar Muse Glimmer comercialmente? Meta incluye el uso comercial entre los previstos y publica los artefactos bajo Apache 2.0. La redistribución conserva obligaciones de licencia, cambios y atribución, además de la política de uso y la ley aplicable. ### ¿Muse Glimmer es mejor que Qwen 3.6 27B? No en todo. Meta sitúa a Glimmer por delante en MCP-Atlas, DeepSearch QA y SWE-Bench Pro. Qwen lidera Terminal-Bench 2.1, OSWorld-Verified, SkillsBench y varias pruebas multimodales. Decide con tareas equivalentes. ## Reflexiones finales Muse Glimmer concreta una promesa útil: un agente multimodal capaz puede caber en una estación de trabajo seria, mantener la inferencia local y usar una licencia permisiva. La evidencia merece un piloto, no una aprobación ciega. Usa 24 o 32 GB como objetivo validado, congela runtime y scaffold y mide tareas aceptadas, revisión, pico de memoria y fallo seguro. Si Glimmer gana esa prueba, tendrás una inversión local defendible. Si no, lo sabrás antes de comprar una flota. ## También te puede gustar.. [**LLMs locales frente a APIs: el punto de equilibrio europeo** Calcula hardware, operación y resultados aceptados antes de sustituir un modelo alojado.](/es/blog/local-models-vs-apis-break-even-eu-2026/) [**AI enablement frente a consultoría genérica** Compara una implantación gobernada con asesoramiento sin entrega.](/es/compare/ai-enablement-vs-generic-ai-consultancy/) Modelos e infraestructura ## Continúa por este clúster [Empieza por el artículo fundamental**Alojar LLMs en la UE: Cuándo Salen a Cuenta los Open Weights**](/es/blog/self-hosting-llms-eu-cost/) - [Firecrawl AnyDoc: 14 formatos a Markdown](/es/blog/firecrawl-anydoc-review/) - [Routing de IA con OmniRoute: Setup y Checklist de Producción](/es/blog/omniroute-ai-routing-setup/) - [Gemini Robotics 2: control corporal completo y decisión de piloto](/es/blog/gemini-robotics-2-whole-body-control/) - [pdf-inspector: parser PDF local antes del OCR](/es/blog/pdf-inspector-ocr-routing/) - [Asistente de programación con IA local multimodal: voz, OCR y privacidad](/es/blog/local-multimodal-ai-coding-assistant/) Tu bandeja, sin ruido ## Sigue el trabajo que te importa Recibe un correo breve cuando publiquemos algo nuevo. Sigue todo el blog o solo los temas que te interesan. [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 13 min de lectura · 10 ago 2026 Última revisión 10 de agosto de 2026 [**Siguiente**](/es/blog/meta-muse-code-pricing-contributor-tier/) Nuevos artículos por correo × × Recibe nuevos artículos por correo Un correo breve cuando publicamos. Gratis y sin seguimiento. ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/es/blog/muse-glimmer-30b-local-agent-guide/#webpage", "@type": "WebPage", "dateModified": "2026-08-10", "inLanguage": "es", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-08-10", "url": "https://wavect.io/es/blog/muse-glimmer-30b-local-agent-guide/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Muse Glimmer es el modelo de pesos abiertos de 29.600 millones de parámetros de Meta Superintelligence Labs para flujos de agentes locales. Acepta texto e imágenes, declara un contexto de 131.072+ tokens, fue entrenado con datos de más de 100 idiomas y se publica bajo Apache 2.0 para uso comercial y de investigación. Meta destina una cuantización de 17 GB a equipos con 24 GB y una variante dinámica menos comprimida a 32 GB, dejando margen para el codificador visual, la caché KV y el borrador DFlash. En los resultados publicados por Meta, Glimmer supera a Gemma 4 31B y Qwen 3.6 27B en MCP-Atlas, DeepSearch QA y SWE-Bench Pro, pero queda por detrás de Qwen en Terminal-Bench 2.1, OSWorld-Verified y varias pruebas multimodales. Es un candidato serio para un piloto de agentes privados de un solo usuario, programación, documentos y evaluación de modelos, no un ganador automático para producción. Evalúalo con 20 a 30 tareas fijas y mide éxito por tarea aceptada, revisión, pico de memoria, latencia, errores de herramientas y resistencia a prompt injection en tu hardware y scaffold reales.", "articleBody": " Resumen del blog/IA y agentes/Modelos e infraestructura Muse Glimmer 30B: ¿está listo el agente local de Meta para producción? Resumen Muse Glimmer es el modelo de pesos abiertos de 29.600 millones de parámetros de Meta Superintelligence Labs para flujos de agentes locales. Acepta texto e imágenes, declara un contexto de 131.072+ tokens, fue entrenado con datos de más de 100 idiomas y se publica bajo Apache 2.0 para uso comercial y de investigación. Meta destina una cuantización de 17 GB a equipos con 24 GB y una variante dinámica menos comprimida a 32 GB, dejando margen para el codificador visual, la caché KV y el borrador DFlash. En los resultados publicados por Meta, Glimmer supera a Gemma 4 31B y Qwen 3.6 27B en MCP-Atlas, DeepSearch QA y SWE-Bench Pro, pero queda por detrás de Qwen en Terminal-Bench 2.1, OSWorld-Verified y varias pruebas multimodales. Es un candidato serio para un piloto de agentes privados de un solo usuario, programación, documentos y evaluación de modelos, no un ganador automático para producción. Evalúalo con 20 a 30 tareas fijas y mide éxito por tarea aceptada, revisión, pico de memoria, latencia, errores de herramientas y resistencia a prompt injection en tu hardware y scaffold reales. Muse Glimmer es un modelo de pesos abiertos con 29.600 millones de parámetros creado para agentes de IA locales. Combina comprensión de texto e imágenes, uso de herramientas, contexto largo y recuperación ante fallos en un modelo que Meta dirige a hardware de consumo con 24 o 32 GB. Para una empresa, la oportunidad está en reunir licencia permisiva, benchmarks de agentes y despliegue en una sola estación de trabajo. Esta guía responde una pregunta de compra: ¿debería tu equipo probar Muse Glimmer para un agente local y privado? Los precios de la API Muse Spark y el permiso para entrenar con prompts de clientes son otra decisión. La cubrimos en la guía de precios de Meta Muse Code y Contributor. Separar hardware y derechos de datos evita competir por la misma intención de búsqueda. Muse Glimmer 30B de un vistazo Meta publicó Muse Glimmer el 10 de agosto de 2026. El anuncio oficial de Muse Glimmer lo presenta como un modelo destilado de Muse Spark para agentes siempre activos, programación local, llamadas a funciones y evaluación LLM-as-a-judge. Los pesos ya están disponibles. El anuncio situaba las integraciones optimizadas para varios runtimes en los días siguientes. FactorDato publicadoLectura de compra ModeloTransformer denso de 29,6B con codificador de percepción de 1,8BTodos los parámetros de lenguaje se usan por token, por lo que importa el ancho de banda de memoria Entrada y salidaTexto e imágenes de entrada, texto de salidaÚtil para capturas y documentos, no para generar audio o vídeo nativo Contexto131.072+ tokensEspacio amplio, pero la caché KV sigue consumiendo memoria IdiomasDatos de más de 100 idiomasLa cobertura no demuestra igual calidad en todos los idiomas de negocio Corte de conocimiento4 de enero de 2026Los hechos actuales necesitan retrieval o herramientas aprobadas LicenciaApache 2.0El uso comercial está previsto, con obligaciones al redistribuir La ficha oficial de Muse Glimmer es la fuente primaria para arquitectura, hardware, sampling, limitaciones y benchmarks. Usa esos valores como punto de partida de un piloto, no como sustituto de las pruebas en tu scaffold. ¿Qué hardware necesita Muse Glimmer 30B? La respuesta útil no es «menos de 20 GB». Esa cifra describe los pesos comprimidos del modelo de lenguaje. Un agente multimodal también necesita codificador visual, caché KV, runtime y, de forma opcional, el borrador DFlash. El contexto, los usuarios paralelos y las imágenes cambian el pico real. VarianteObjetivo de MetaCambio de calidad publicadoUso práctico Precisión completa64 GB de VRAMReferenciaServidor de evaluación, fine-tuning o máxima fidelidad K-Quant-Dynamic32 GB de VRAM o memoria unificada0,2% de degradación media en 15 benchmarksMejor objetivo para un piloto local con margen K-Quant-17GB24 GB de VRAM o memoria unificada1,0% de degradación mediaPiloto individual con contexto y concurrencia controlados Meta informa de 74,9 tokens por segundo sin especulación y 233,4 con DFlash en una RTX 5090. En M4 Max, el resultado pasa de 23,7 a 37,8; en M5 Max, de 26,6 a 50,2. Estas mediciones con batch uno y greedy decoding muestran el valor del borrador, pero no predicen la velocidad con prompts largos, herramientas, imágenes o sesiones simultáneas. Nuestra regla de compra: trata 24 GB como el mínimo validado, no como una promesa de contexto máximo en cualquier equipo. Para un servicio de equipo, mide memoria pico con el mayor contexto permitido y la concurrencia prevista. Antes de comprar hardware, compara el coste total con nuestra guía de punto de equilibrio entre modelos locales y APIs. ¿Qué dicen los benchmarks de agentes? La tabla de lanzamiento es buena, pero no muestra un dominio total. La metodología oficial de evaluación compara Glimmer con razonamiento alto frente a", "articleSection": "Ingeniería", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "anuncio oficial de Muse Glimmer", "url": "https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model" }, { "@type": "WebPage", "name": "ficha oficial de Muse Glimmer", "url": "https://huggingface.co/meta-models/Muse-Glimmer-30B" }, { "@type": "WebPage", "name": "metodología oficial de evaluación", "url": "https://research.meta.ai/static/muse-glimmer-methodology" }, { "@type": "WebPage", "name": "términos de Apache License 2.0", "url": "https://www.apache.org/licenses/LICENSE-2.0" } ], "dateModified": "2026-08-10", "datePublished": "2026-08-10", "description": "Muse Glimmer es el modelo de pesos abiertos de 29.600 millones de parámetros de Meta Superintelligence Labs para flujos de agentes locales. Acepta texto e imágenes, declara un contexto de 131.072+ tokens, fue entrenado con datos de más de 100 idiomas y se publica bajo Apache 2.0 para uso comercial y de investigación. Meta destina una cuantización de 17 GB a equipos con 24 GB y una variante dinámica menos comprimida a 32 GB, dejando margen para el codificador visual, la caché KV y el borrador DFlash. En los resultados publicados por Meta, Glimmer supera a Gemma 4 31B y Qwen 3.6 27B en MCP-Atlas, DeepSearch QA y SWE-Bench Pro, pero queda por detrás de Qwen en Terminal-Bench 2.1, OSWorld-Verified y varias pruebas multimodales. Es un candidato serio para un piloto de agentes privados de un solo usuario, programación, documentos y evaluación de modelos, no un ganador automático para producción. Evalúalo con 20 a 30 tareas fijas y mide éxito por tarea aceptada, revisión, pico de memoria, latencia, errores de herramientas y resistencia a prompt injection en tu hardware y scaffold reales.", "headline": "Muse Glimmer 30B: ¿está listo el agente local de Meta para producción?", "image": "https://wavect.io/img/blog/headers/header_muse-glimmer-30b-local-agent-guide.svg", "inLanguage": "es", "keywords": "Agentes de IA, IA local", "mainEntityOfPage": { "@id": "https://wavect.io/es/blog/muse-glimmer-30b-local-agent-guide/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/es/blog/muse-glimmer-30b-local-agent-guide/", "wordCount": 2014 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/es/", "name": "Inicio", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/overview/", "name": "Resumen del blog", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/topics/ai-agents/", "name": "IA y agentes", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/clusters/models-infrastructure/", "name": "Modelos e infraestructura", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/muse-glimmer-30b-local-agent-guide/", "name": "Muse Glimmer 30B: hardware y benchmarks | ", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Muse Glimmer es el modelo denso de Meta con 29.600 millones de parámetros para agentes locales. Acepta texto e imágenes, produce texto, usa herramientas y contexto largo y fue destilado de Muse Spark." }, "name": "¿Qué es Muse Glimmer 30B?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Meta dirige K-Quant-17GB a hardware con 24 GB, K-Quant-Dynamic a 32 GB y precisión completa a 64 GB de VRAM. El pico depende del contexto, caché KV, codificador visual, borrador, runtime y concurrencia." }, "name": "¿Cuánta memoria necesita Muse Glimmer?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Sí. Meta publica medidas en M4 Max y M5 Max y dirige las variantes cuantizadas a 24 o 32 GB. Prueba tu memoria y runtime exactos antes de comprar." }, "name": "¿Puede Muse Glimmer ejecutarse en un Mac?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Meta llama open source al lanzamiento y publica los pesos bajo Apache 2.0. Pesos abiertos es una descripción más precisa del artefacto porque no se publican todo el código de entrenamiento y el dataset." }, "name": "¿Muse Glimmer es open source?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Meta incluye el uso comercial entre los previstos y publica los artefactos bajo Apache 2.0. La redistribución conserva obligaciones de licencia, cambios y atribución, además de la política de uso y la ley aplicable." }, "name": "¿Puede una empresa usar Muse Glimmer comercialmente?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No en todo. Meta sitúa a Glimmer por delante en MCP-Atlas, DeepSearch QA y SWE-Bench Pro. Qwen lidera Terminal-Bench 2.1, OSWorld-Verified, SkillsBench y varias pruebas multimodales. Decide con tareas equivalentes." }, "name": "¿Muse Glimmer es mejor que Qwen 3.6 27B?" } ] } ```